Dify25. Dify 工作流分享 - Deep Researcher

OpenAI 在 2 月底的时候推出了一款新的 Agent 功能------Deep Research。它可以实现在接收到用户输入之后,查找、分析和综合数百个在线资源,以分析师的身份创建一个相关的综合报告。

而为它提供推理能力的模型是 OpenAI o3,这款模型针对网页浏览和数据分析进行了优化,可以根据搜索得到的内容、图像以及 PDF 进行推理和分析,并根据遇到的信息做出必要的调整。

从功能上看,Deep Research 和 Deepseek R1 模型的能力有一些重合,毕竟 Deep Research 是 OpenAI 针对 R1 模型做出的回应,它在类似金融、科学和法律等领域上能输出更加详细、有据可查且引证清晰的报告。

但是这个功能 OpenAI 目前不是免费供大家使用的,Plus、Team、Enterprise 和 Edu 用户每月只有 10 次使用机会,Pro 用户每月也只有 120 次使用机会。

这让我不得不会想起 o1 模型刚出来那会儿,也差不多一样的场景,所幸后来找到了 dify-o1 的工作流。所以 Deep Research 是不是也可以通过工作流的方式来进行复刻呢?

答案是肯定的,在 Github 上已经有大佬实现了 Deep Researcher On Dify 的工作流,接下来让我们一起来看下吧~

Github 地址:github.com/AdamPlatin1...

这次我们主要分析分析人家这个工作流的思路(毕竟节点真的有点多)。

  1. 首先是开始节点,这里看似只需要输入用户的问题,但其实还夹杂了一个关键变量 dialogue_count,这个变量是用户在与 Chatflow 类型应用交互时的对话轮数。每轮对话后自动计数增加 1,可以和 if-else 节点搭配出丰富的分支逻辑。比如在该工作流中,在 dialogue_count 是 0 也就是第一次对话时,会拿到两个变量:应用开场白所选的语言和用户输入的研究主题;
  2. 紧接着根据用户的问题,LLM 会将其进行分解,然后输出分解后的内容赋值给四个问题变量;
  3. 这四个变量最终又被使用到了多轮对话中,通过四个问题来收集更多的信息;
  4. 收集完用户输入的信息以后,接下来通过 LLM 进行主题提取和多次回答优化;
  5. 以提取出的主题和多次回答的内容为基础,再次进行深入研究细化;
  6. 结合已有知识库(没有也行)和维基百科搜索,输出相关内容;
  7. 最后通过 LLM 进行 SUB 主题的整理分析并将其合并到一起进行最终的输出。

我们来测试一下,比如输入:未来几年黄金价格的趋势是怎样的?

看效果是不错的,中间用到的工具有:

  • AI 模式是 Google 的 Gemini
  • DeepSeek R1 7B
  • 维基百科搜索

感兴趣的朋友可以试试看,需要工作流文件的可以在后台回复「DSL」。

相关推荐
YYXZZ。。33 分钟前
PyTorch——搭建小实战和Sequential的使用(7)
人工智能·pytorch·python
四川兔兔37 分钟前
pytorch 与 张量的处理
人工智能·pytorch·python
AI蜗牛之家4 小时前
Qwen系列之Qwen3解读:最强开源模型的细节拆解
人工智能·python
王上上4 小时前
【论文阅读30】Bi-LSTM(2024)
论文阅读·人工智能·lstm
YunTM5 小时前
贝叶斯优化+LSTM+时序预测=Nature子刊!
人工智能·机器学习
舒一笑6 小时前
智能体革命:企业如何构建自主决策的AI代理?
人工智能
丁先生qaq7 小时前
热成像实例分割电力设备数据集(3类,838张)
人工智能·计算机视觉·目标跟踪·数据集
红衣小蛇妖7 小时前
神经网络-Day45
人工智能·深度学习·神经网络
KKKlucifer7 小时前
当AI遇上防火墙:新一代智能安全解决方案全景解析
人工智能
DisonTangor8 小时前
【小红书拥抱开源】小红书开源大规模混合专家模型——dots.llm1
人工智能·计算机视觉·开源·aigc